跳转到主要内容
ToolPotion
AI 顾问
提交(免费)

Audio8-TTS-Realistic-0.6b

Audio8-TTS-Realistic-0.6b 是一个文本转语音模型,提供改进的语音真实感和零样本语音克隆。它支持 23 种语言,并使用紧凑的 0.6B 架构。

查看模型
分享
查看模型
分享

Audio8-TTS-Realistic-0.6b 是一个最先进的文本转语音模型,托管在 Hugging Face 上。基于其前身 Audio8-TTS-Preview-0.6b,该模型在保持紧凑的 0.6B 架构的同时,提供了增强的语音真实感。它支持 23 种语言,新增 12 种语言,之前版本支持 11 种。该模型旨在灵活生成语音,提供从参考录音和转录文本进行零样本语音克隆的能力,或在没有参考的情况下生成语音。

阅读更多

该模型采用受 Fish Audio S2 Pro 启发的 DualAR 架构,具有一个慢速 AR 变换器,用于预测每个音频帧的语义标记,以及一个快速 AR 变换器,用于预测帧的编解码器代码本。此设置确保高效且真实的音频合成。该模型的组件包括 44.1 kHz 神经音频编解码器、分词器、处理器和自定义 Transformers 代码。

Audio8-TTS-Realistic-0.6b 可在 Hugging Face ZeroGPU 托管的互动 Playground 中使用,尽管可用性取决于队列和每日 GPU 配额。该模型在 TTS Arena 中获得了积极反馈,听众对其性能给予了好评。

安装需要 Python 3.10 或更高版本和支持 CUDA 的 GPU。该模型已在 PyTorch 2.8.0 和 Transformers 4.57.3 中进行了测试,确保与各种语言的兼容性。用户可以通过兼容 OpenAI 的语音 API 集成该模型,利用 SGLang Omni 适配器进行高吞吐量服务。

尽管该模型提供了显著的进步,但用户应注意潜在的限制。语言质量各异,嘈杂的参考音频或不匹配的转录文本可能会影响稳定性和说话者相似性。建议用户在最终确定任何产品之前,先听取生成的音频。

  • 类别AI 模型与大语言模型
  • 部署云端
  • 平台网页版

  • 改进的语音真实感

  • 零样本语音克隆

  • 支持 23 种语言

  • DualAR 架构

  • 44.1 kHz 神经音频编解码器

  • 互动 Playground 访问

  • 兼容 OpenAI 的 API

  • 用于服务的 SGLang Omni 适配器

  1. 访问模型:访问 Hugging Face

  2. 身份验证:登录您的账户

  3. 设置环境:安装 Python 3.10+ 和支持 CUDA 的 GPU

  4. 通过 API 集成:使用兼容 OpenAI 的语音 API

  5. 优化:利用 SGLang Omni 适配器进行高吞吐量服务

  • 多语言 TTS
  • 语音克隆
  • 互动演示
  • API 集成
  • 高吞吐量服务

Hugging Face 旗下产品

Audio8-TTS-Realistic-0.6b 评价

加载中...

与 Audio8-TTS-Realistic-0.6b 类似的热门AI工具

Bark AI Model

AI 模型

Bark是Suno开发的基于变换器的文本到音频模型,能够生成真实的多语言语音和其他音频形式。它支持通过预训练模型检查点进行推理的研究。

AI 模型与大语言模型
查看工具

AI 模型

Suno开发的基于变换器的文本到音频模型,能够生成真实的多语言语音和其他音频形式。它支持通过预训练模型检查点进行推理的研究。Bark是Suno开发的基于变换器的文本到音频模型,能够生成真实的多语言语音和其他音频形式。它支持通过预训练模型检查点进行推理的研究。

AI 模型与大语言模型
查看 AI 模型 Top 5

Chatterbox Turbo 是 Resemble AI 开发的开源文本转语音模型,具有超快的性能,参数量为 3.5 亿,延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆,并提供用于表现性输出的副语言标签。

AI 模型与大语言模型
查看工具

Resemble AI 开发的开源文本转语音模型,具有超快的性能,参数量为 3.5 亿,延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆,并提供用于表现性输出的副语言标签。Chatterbox Turbo 是 Resemble AI 开发的开源文本转语音模型,具有超快的性能,参数量为 3.5 亿,延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆,并提供用于表现性输出的副语言标签。

AI 模型与大语言模型
查看 AI 模型 Top 5

Higgs TTS 3

AI 模型

Higgs TTS 3由Boson AI开发,是一个多语言文本转语音模型,旨在实现富有表现力的对话语音。它支持超过100种语言,并提供零样本语音克隆和情感控制等功能,非常适合数字创作者和研究人员。

文字转语音
查看工具

AI 模型

Higgs TTS 3由Boson AI开发,是一个多语言文本转语音模型,旨在实现富有表现力的对话语音。它支持超过100种语言,并提供零样本语音克隆和情感控制等功能,非常适合数字创作者和研究人员。

文字转语音
查看 AI 模型 Top 5

Ming-3.0-tts-0.5B 是一个多语言语音合成模型,提供零样本语音克隆和自由形式控制。它支持多种语言和方言,能够明确控制情感、速度、音调和音量。

文字转语音
查看工具

多语言语音合成模型,提供零样本语音克隆和自由形式控制。它支持多种语言和方言,能够明确控制情感、速度、音调和音量。Ming-3.0-tts-0.5B 是一个多语言语音合成模型,提供零样本语音克隆和自由形式控制。它支持多种语言和方言,能够明确控制情感、速度、音调和音量。

文字转语音
查看 AI 模型 Top 5

Dia-1.6B是Nari Labs开发的文本转语音模型,具有16亿个参数。它能够从文本生成逼真的对话,支持情感和语调控制,并能够产生非语言声音。目前仅支持英语。

文字转语音
查看工具

Nari Labs开发的文本转语音模型,具有16亿个参数。它能够从文本生成逼真的对话,支持情感和语调控制,并能够产生非语言声音。目前仅支持英语。Dia-1.6B是Nari Labs开发的文本转语音模型,具有16亿个参数。它能够从文本生成逼真的对话,支持情感和语调控制,并能够产生非语言声音。目前仅支持英语。

文字转语音
查看 AI 模型 Top 5

Whisper-large-v3 是一个先进的自动语音识别和语音翻译模型,训练于超过 500 万小时的数据。它在多种语言中提供了更好的性能,旨在为 AI 领域的开发者和研究人员服务。

AI 模型与大语言模型
查看工具

先进的自动语音识别和语音翻译模型,训练于超过 500 万小时的数据。它在多种语言中提供了更好的性能,旨在为 AI 领域的开发者和研究人员服务。Whisper-large-v3 是一个先进的自动语音识别和语音翻译模型,训练于超过 500 万小时的数据。它在多种语言中提供了更好的性能,旨在为 AI 领域的开发者和研究人员服务。

精选AI 模型与大语言模型
查看 AI 模型 Top 5

鱼音频剧3

AI 模型

鱼音频剧3是一个为多角色场景和长篇内容设计的文本转语音模型。它支持多说话者生成、声音克隆和自然语言控制,非常适合复杂的音频制作。

文字转语音
查看工具

AI 模型

为多角色场景和长篇内容设计的文本转语音模型。它支持多说话者生成、声音克隆和自然语言控制,非常适合复杂的音频制作。鱼音频剧3是一个为多角色场景和长篇内容设计的文本转语音模型。它支持多说话者生成、声音克隆和自然语言控制,非常适合复杂的音频制作。

文字转语音
查看 AI 模型 Top 5

Whisper Large V3 Turbo 是一款先进的自动语音识别和翻译模型,经过优化以提高速度,并减少了解码层。它支持多种语言,并提供强大的转录能力。

AI 模型与大语言模型
查看工具

先进的自动语音识别和翻译模型,经过优化以提高速度,并减少了解码层。它支持多种语言,并提供强大的转录能力。Whisper Large V3 Turbo 是一款先进的自动语音识别和翻译模型,经过优化以提高速度,并减少了解码层。它支持多种语言,并提供强大的转录能力。

AI 模型与大语言模型
查看 AI 模型 Top 5
1/8